本研究提出了一种新颖的拓扑边图（TED）和基于线图的维托里斯-里普斯持久性图算法（LGVR），有效解决了图神经网络在描述图的拓扑属性时的信息丢失问题。实验结果表明，该模型在图分类和回归任务中表现优越。

本研究探讨了联邦学习中的回归任务属性推断攻击，提出了一种模型驱动的攻击方法。实验结果表明，该方法在异构客户端数据集中显著提高了重构准确性，为评估隐私泄露提供了有效工具。

本研究提出RankUp方法，将回归任务转化为排序问题，以提升半监督学习的性能。通过引入回归分布对齐技术来优化伪标签，RankUp在多个基准测试中表现出色。

本文探讨深度学习中的不确定性量化（UQ），提出使用稀疏深度ReLU结构进行贝叶斯推断，强调其在统计推断中的优势。研究比较了多种UQ方法在回归任务中的表现，发现没有一种方法绝对优越。同时，介绍了混合神经可微模型的进展及其在物理系统建模中的应用，提出DiffHybrid-UQ方法以有效量化不确定性。

本文提出了多种新方法以优化序数分类和回归任务，包括通过新架构实现单峰分布和设计新损失函数以提高性能。研究表明，使用泊松和二项分布约束离散序数概率分布能有效避免交叉熵损失的不良影响，并在多个数据集上取得了良好效果。

本文提出了一种新方法用于回归任务中的不确定性预测校准，结合直方图聚类和缩放校准，验证了其在COCO和KITTI数据集上的有效性。同时，研究探讨了风险评估和模型不确定性，强调在高风险应用中对机器学习模型的可靠性和不确定性评估的重要性。

本文提出了一种基于误差对齐的不确定性优化方法，旨在提高深度神经网络的预测不确定性与模型误差的相关性。研究评估了多种回归任务中的不确定性预测校准方法，并探讨了模型复杂度与不确定度之间的权衡。实验结果表明，该方法在多个数据集上表现优异，特别是在车辆运动预测和物体检测任务中。

本文介绍了一种新方法量子阴影梯度下降（QSGD），该方法在回归任务中超越了标准优化算法。研究了量子测量中函数梯度的估计，提出了基于Pauli旋转的算法，并探讨了混合量子-经典优化的收敛性。实验结果显示，该算法在量子支持向量机和神经网络优化中表现优异。

本文探讨了强化学习算法在非结构化观测和尺度递增中的应用，提出了多种新方法以提高学习效果和性能，包括交叉熵损失和延迟评论者策略梯度算法。研究表明，增加熵和自适应标准化目标值能显著改善回归任务和观察泛化性能。

本文提出了一种使用分布式神经计算算法克服维度灾难的理论方法。通过模块化分布式深度学习范式，可以在只加载少量参数到GPU VRAM的情况下实现任意精度。实验证明，该模型在回归和分类任务中表现出更好的性能。

研究将6D姿态估计问题转化为回归任务，利用Vision Transformers进行探索，并引入了确定姿态置信度的简单方法。方法PViT-6D在Linemod-Occlusion和YCB-V数据集上表现优于最先进方法，提高了可解释性和推理性能的可靠性。

本文介绍了使用 transformer 模型将文本数据纳入精算分类和回归任务的工作流程，探讨了多语言环境和长输入序列等挑战性问题，并提供了解释模型输出、评估和改进模型性能的方法。通过微调自然语言处理模型，实现了分类任务处理的实用方法，展示了迁移学习在实际应用中的威力。

本文介绍了机器学习回归任务在材料科学和化学科学中的应用，重点强调了一致性和适应性的重要性，并提出了一种验证方法。通过一个例子进行了验证。

本研究提出了一种新颖的方案，通过构建神经网络参数的低维子空间来解决贝叶斯深度学习中的计算复杂性限制。该方案通过Monte Carlo采样方法或变分推断实现了可行和可扩展的贝叶斯推断，为回归任务提供了可靠的预测和不确定性估计。